AI는 제조 분야의 지속 가능성을 어떻게 향상합니까? 

사람들은 제조업에서 AI라는 말을 들으면 완전히 자율적이고 불이 꺼지는 공장에 대한 비전을 떠올리는 경우가 많습니다. 그것은 화려한 목표이지만 오늘날 지속 가능성을 높이는 실제적이고 견고한 작업이 일어나는 곳은 아닙니다. 진정한 영향은 더 미묘하며, 에너지 소비를 최적화하고, 재료 낭비를 줄이고, 공급망을 덜 혼란스럽게 만드는 일상적인 노력에 숨겨져 있는 경우가 많습니다. 로봇이 대신하는 것이 아니라 경제적, 환경적으로 건전한 결정을 내리기 위해 항상 부족했던 세부적인 가시성을 제공하는 지능형 시스템에 관한 것입니다. AI와 지속 가능성 사이의 연결은 자동이 아닙니다. 이를 위해서는 우리가 측정하고 통제하기로 선택한 대상에 대한 의도적인 변화가 필요합니다.

과대광고를 넘어서: 최초의 개척지로서의 에너지

가장 직접적인 비용이자 탄소발자국 항목인 에너지부터 시작해 보겠습니다. 수년 동안 우리는 예정된 유지 관리 및 광범위한 스트로크 효율성 등급에 의존해 왔습니다. 게임 체인저(game-changer)는 예측 에너지 최적화를 위해 센서를 내장하고 AI를 사용하는 것입니다. 나는 단지 기계를 끄는 것에 대해 말하는 것이 아닙니다. 전체 생산 라인의 동적 부하를 이해하는 것입니다. 예를 들어 AI 모델은 특정 스탬핑 프레스가 작동 중뿐만 아니라 냉각 시스템이 작동하는 동안 15분 동안 전력이 급증한다는 사실을 학습할 수 있습니다. 생산 일정을 분석함으로써 배치 간 미세한 지연을 제안하여 여러 프레스에서 동시 피크 인출을 방지하고 처리량에 영향을 주지 않고 에너지 곡선을 평탄화할 수 있습니다. 이것은 이론적인 것이 아닙니다. 대규모 단조 시설에서 에너지 비용을 8~12% 절감하는 것을 본 적이 있습니다.

까다로운 부분은 데이터 품질입니다. 가능하다면 기계, 변전소, 심지어 그리드까지 세분화된 시계열 데이터가 필요합니다. 초기에 실패한 프로젝트 중 하나는 정확한 가스 유량계 없이 열처리로를 최적화하려는 시도였습니다. AI 모델은 본질적으로 추측에 불과했으며, 최적화로 인해 부품의 야금학적 특성이 손상될 위험이 있었습니다. 우리는 힘들게 배웠습니다. 정확하게 측정할 수 없는 것은 관리할 수 없다는 것입니다. AI는 감각 입력만큼만 우수합니다.

이는 미묘한 점으로 이어집니다. AI는 종종 더 깊은 계측을 정당화합니다. AI의 지속 가능성 사례를 만들려면 먼저 더 나은 계량에 투자하십시오. 선순환입니다. 해당 데이터 스트림이 있으면 예측에서 규정 조치로 이동할 수 있습니다. 예를 들어 공압 네트워크의 실시간 수요를 기반으로 압축기 압력 설정점을 자동으로 조정하는 것과 같이 항상 최악의 시나리오에 맞춰 설정되어 엄청난 양의 에너지를 낭비합니다.

폐기물과의 전쟁: 스크랩 더미에서 디지털 트윈까지

물질적 낭비는 순수한 재정적, 환경적 손실입니다. 다음과 같은 회사에서와 같이 패스너 제조 분야에서 한단자타이패스너제조유한회사 중국의 주요 표준 부품 생산 기지에 위치한 전통적인 접근 방식에는 생산 후 검사가 포함됩니다. 즉, 배치를 만들고 일부를 샘플링한 후 결함이 발견되면 전체 로트를 폐기하거나 재작업할 수 있습니다. 그것은 엄청나게 낭비입니다.

실시간 결함 감지를 위한 컴퓨터 비전은 이제 중요한 문제입니다. 그러나 AI의 보다 심층적인 사용은 애초에 폐기물이 생성되는 것을 방지하기 위한 프로세스 매개변수 최적화에 있습니다. 냉간압조 공정 데이터(와이어 직경, 온도, 기계 속도, 다이 마모)를 모델에 입력함으로써 단일 제품이 만들어지기 전에 헤드 균열이나 치수 부정확성의 가능성을 예측할 수 있습니다. 그런 다음 시스템은 어닐링 온도를 약간 높이거나 공급 속도를 줄이는 등의 조정을 권장할 수 있습니다.

볼트 생산 라인을 위한 디지털 섀도우(전체 디지털 트윈의 간단한 버전)를 구축한 프로젝트가 생각납니다. 목표는 트림 손실(볼트 절단 후 남은 와이어)을 최소화하는 것이었습니다. 주문 포트폴리오와 기계 제약 조건을 분석함으로써 AI 스케줄링 시스템은 와이어 코일을 보다 완벽하게 사용하도록 주문 순서를 지정하여 트림 낭비를 평균 3.2%에서 1.7% 미만으로 줄일 수 있습니다. 사소하게 들리겠지만, 연간 수천 톤의 철강을 사용하면 원자재 절감과 철강 생산으로 인한 관련 탄소 배출이 상당히 절감됩니다. 생산량이 많은 Yongnian District와 같은 허브의 회사가 이러한 세부적인 최적화를 통해 어떻게 엄청난 이익을 얻을 수 있는지 확인할 수 있습니다.

공급망 탄력성과 탄소 발자국

이것이 복잡해지는 곳입니다. 지속 가능한 공급망은 단지 친환경 공급업체를 선택하는 것이 아닙니다. 긴급하고 탄소 집약적인 항공 화물을 피하기 위해서는 효율성과 회복력이 중요합니다. AI 기반 수요 예측이 작동하면 생산을 원활하게 하여 초과 근무(종종 덜 효율적이고 에너지 집약적인 작업을 의미함)와 당황한 주문의 필요성을 줄입니다.

우리는 고객을 위한 물류 최적화와 다단계 공급망 위험 분석을 통합했습니다. 시스템은 날씨, 항만 혼잡, 심지어 공급업체 지역의 에너지 혼합까지 모니터링했습니다(예: 현재 그리드가 석탄으로 실행되고 있습니까, 아니면 재생 가능 에너지로 실행되고 있습니까?). 일정이 허용되면 배송 속도가 느리지만 배출이 적은 해상 화물로 배송 경로를 변경하거나 일반적인 85%가 아닌 98% 용량으로 컨테이너를 채우기 위해 화물을 통합할 것을 제안했습니다. 는 지속 가능성 여기서 이득은 간접적이지만 강력합니다. 탄소 효율성을 일상적인 물류 결정에 포함시킵니다.

여기서 실패 모드는 과도한 최적화입니다. 한 모델에서는 운송 수단 배출을 최소화하기 위해 항상 친환경적이지만 용량이 제한된 단일 공급업체를 사용할 것을 제안했습니다. 결국 폐쇄가 발생하여 최적이 아닌 여러 공급업체에 쟁탈전을 벌이게 되는 폐쇄의 위험을 설명하지 못했습니다. 교훈은 지속 가능성 목표가 AI 목적 함수의 견고성 제약과 균형을 이루어야 한다는 것이었습니다. 탄소를 최소화할 수는 없습니다. 위험을 관리해야 합니다.

인간적 요소: 증강된 의사결정

이것은 매우 중요합니다. AI는 공장을 운영하지 않습니다. 사람들은 그렇습니다. 제가 본 가장 효과적인 구현은 AI가 조언자 역할을 하는 경우입니다. 이는 이상 징후를 나타냅니다. 3호선의 단위당 에너지 소비량은 현재 제품 믹스의 벤치마크보다 18% 높습니다. 예상 원인: 컨베이어 모터 B-12의 베어링 마모, 예상 효율 손실 22%. 이는 유지 관리 팀에게 명확한 지속 가능성과 비용 영향을 고려하여 우선 순위가 지정된 작업을 제공합니다.

이것이 문화를 변화시킵니다. 지속 가능성은 더 이상 생산 효율성과 별개의 KPI가 아닙니다. 현장 관리자가 폐기율을 낮추기 위해 최적화하면 양품 부품당 에너지 및 원자재 사용량도 줄어든다는 사실을 확인하면 목표가 일치합니다. AI를 훈련시키면 사람도 훈련됩니다. 결함 감지 모델의 데이터에 라벨을 지정하려면 품질 엔지니어는 실패 모드를 심층적으로 분석해야 합니다. 이 프로세스 자체는 모델이 배포되기도 전에 프로세스 개선으로 이어지는 경우가 많습니다.

저항은 자연스러운 것입니다. 블랙박스 추천에 대한 타당한 두려움이 있습니다. 그렇기 때문에 설명 가능성이 중요합니다. 시스템에서 용광로 온도를 15°C 낮추라고 하면 다음과 같은 추론도 제공해야 합니다. 과거 데이터에 따르면 이 낮은 온도에서 매개변수 X 및 Y를 사용한 실행으로 인해 천연 가스 소비량이 8% 감소하고 동일한 경도가 나타났습니다. 이는 신뢰를 구축하고 AI를 지속 가능한 협업 도구로 전환합니다. 제조.

미래 전망: 통합 과제

미래는 에너지나 품질을 위한 독립형 AI 애플리케이션에 있지 않습니다. 처리량, 수율, 에너지 사용, 도구 마모 및 탄소 배출량 등 여러 가지, 때로는 경쟁적인 목표의 균형을 맞추는 통합 프로세스 최적화가 있습니다. 이는 인간이 실시간으로 계산할 수 없는 다목적 최적화 문제입니다.

우리는 고객 주문을 받아 가장 지속 가능한 생산 경로를 동적으로 결정하는 시스템을 시험하고 있습니다. 이 패스너 배치는 현재 공장의 새로운 태양광 어레이로 구동되는 더 오래되고 느린 라인에서 제작되어야 합니까, 아니면 그리드로 구동되지만 불량률이 더 낮은 더 빠르고 새로운 라인에서 제작되어야 합니까? AI는 잠재적인 스크랩에 포함된 탄소를 포함하여 순 탄소 영향을 계산하고 실제로 최적의 경로를 추천할 수 있습니다. 이것은 다음 단계의 사고입니다.

마지막 장애물은 수명주기 평가 통합입니다. 진짜 부스트 제조 분야의 AI가 재료 및 프로세스의 전체 수명주기 영향에 대한 데이터에 액세스할 수 있게 되면 지속 가능성이 높아질 것입니다. 아연 도금과 새로운 폴리머 코팅 중에서 선택하는 것은 단순한 비용 결정이 아닙니다. 이는 화학 물질 사용, 내구성 및 수명 종료 재활용 가능성에 대한 결정입니다. 아직 거기까지 도달하지는 못했지만, 프로세스를 디지털화하고, 계측하고, 적응형으로 제어하는 ​​기본적인 작업이 미래를 가능하게 합니다. 한 번에 하나의 작고 낭비적인 문제를 해결하는 길고도 매력 없는 길입니다.